基于近红外光谱的冷藏期番茄果实质地定量分析模型

王世芳，宋海燕，张志勇，韩小平

（山西农业大学工学院，山西太谷 030801）

基于近红外光谱的冷藏期番茄果实质地定量分析模型

王世芳，*宋海燕，张志勇，韩小平

（山西农业大学工学院，山西太谷 030801）

以番茄样本为研究对象，建立基于近红外光谱的冷藏期果实质地定量分析模型。采用SPXY方法对样本集进行划分，经过不同光谱预处理方法比较后，在780～2 500，920～2 500，1 100～2 500 nm 3个波段范围内建立番茄果实质地定量偏最小二乘回归模型，根据相关系数以及预测标准差（RMSEP）分析得出最优模型。结果得出780～2 500 nm波段预测效果最佳，果肉平均硬度预测集相关系数为0.761，RMSEP为0.173；果皮破裂力预测集相关系数为0.809，RMSEP为0.820；果皮脆度预测集相关系数为0.803，RMSEP为0.831；果皮韧性预测集相关系数为0.764，RMSEP为0.427；预测集相关系数均达到0.760以上，RMSEP均小于0.850，模型效果比较好。结果表明，番茄果实质地的近红外无损检测可行，果实质地与近红外漫反射光谱具有显著相关性。

番茄；果实质地；近红外光谱；定量分析模型

0 引言

番茄（Tomoto），俗称西红柿，具有较高的食用价值[1]和药用价值[2]。在贮藏和运输过程中，番茄对水分的要求严格，容易受机械损伤、冷害、病菌感染等，造成较大的损失，影响商品的货架期[3]和商品流通。果实质地是果实成熟和果实品质的重要指标之一，影响果实货架期、口感及风味等。测定番茄果实质地采用美国FTC公司生产的TMS-PRO型食品物性分析仪，该仪器测定结果精度较高，但操作复杂费时，因此需要研究一种快速无损检测技术[4-7]，实现对番茄果实质地的在线检测。

近红外光谱检测具有快速、无损且多组分同时检测的优点，在食品品质检测领域得到广泛的应用。就果实质地检测而言，潘冰燕等人[8]采用近红外光谱对甜椒果实质地进行无损检测，罗枫等人[9]采用近红外漫反射技术对甜樱桃果实质地进行定量分析，王丹等人[10]采用近红外光谱无损检测技术对甜柿果实质地进行检测，结果表明果实质地的近红外光谱无损检测可行，果实质地与近红外漫反射光谱具有显著相关性。试验利用近红外光谱对番茄果实质地进行检测，为番茄果实质地的在线检测提供理论依据。

1 材料与方法

1.1 试验材料

从山西农业大学附近大棚采摘70个大小均匀、无病虫害、无机械损伤的番茄果实，将采摘的番茄在室温条件下放置6 h，随机抽取10个果实对其进行光谱检测，并对应测定果实质地。贮藏5，10，15，20 d时随机抽取各15个果实，对果实进行光谱检测和果实质地检测。

1.2 光谱测定

采用美国ASD公司的Handheld FieldSpec 3型光谱仪进行光谱采集，测定范围为350～2 500 nm。光谱数据采集在室温下进行，为了避免外界因素的影响，在自制的暗室内进行光谱采集，将番茄放置于直径为12.5 cm培养皿中央，采用漫反射采集光谱，每个样本旋转2次，每次旋转120°，采集3次光谱。由于番茄不同部位的果实质地有差异，因此不同位置的选择对近红外光谱预测模型精度会产生影响，介邓飞等人[11]和钱曼等人[12]利用近红外光谱对西瓜不同部位检测模型精度进行研究，结果发现西瓜脐部位为西瓜内部品质检测的较优采集部位，因此试验选择番茄脐部位为光谱采集位置。光谱数据处理软件为ViewSpecPro，作图软件为MATLAB2010b。

番茄部位见图1，光谱采集装置见图2。

图1 番茄部位

图2 光谱采集装置

1.3 果实质地测定

采用美国FTC公司生产的TMS-PRO型食品物性分析仪进行果实质地测定。整果穿刺试验采用P/2n针状探头（直径为2 mm），测前速度为2 mm/sec，测试速度为2 mm/sec，测后速度为10 mm/sec，最小感知力为5 g，将穿刺深度设为6 mm，穿过果皮但不能穿透果肉部分。穿刺试验采用完整果实作为试验对象，穿刺部位选取番茄脐部位（见图1），5 mm为半径的圆上相隔120°的3个点测定，保证刺入点位置与光谱采集位置相一致。

整果穿刺装置见图3，穿刺曲线见图4。

图3 整果穿刺装置

图4 穿刺曲线

质地包括果皮质地和果肉质地，其中果皮质地分为果皮破裂力、破裂深度、果皮脆度和果皮韧性，果肉质地为果肉平均硬度。从图4穿刺曲线分析，以曲线第1峰（锚2位置） 的力值为果皮破裂力（g），第1峰的运行距离为果皮破裂深度（mm），由此可以推出果皮脆度和果皮韧性的计算公式如下：果皮脆度（g/s） =第1峰的力值（g） /运行时间（s），果皮韧性（g/s）=第1峰的力值（g）×运行时间（s）；第1峰1 s后（锚3位置）与锚4位置之间的平均力值为果肉平均硬度（g）。

1.4 定量分析模型

采用偏最小二乘回归（Partial least-squares regression，PLSR）进行定量建模分析，利用Unscrambler软件进行建模分析。

2 结果与分析

2.1 番茄在冷藏期的可见近红外光谱图

贮藏过程中有2个果实腐烂，测得68个番茄原始可见近红外光谱。

原始光谱见图5。

由图5可知，有5处明显的吸收峰，分别是980，1 203，1 450，1 780，1 931 nm波段附近，其中980，1 450，1 931 nm处吸收峰特别明显。980 nm为可见光和近红外光谱之间的过渡区域；1 450 nm吸收峰由番茄水分子间的O-H键吸收形成，此处吸收峰与番茄的含水量呈正相关趋势变化；1 931 nm处吸收峰主要由番茄中CH2-，C-H键的伸缩、弯曲振动产生，番茄中含有可溶性固形物、酸类物质、VC以及氨基酸等，这些物质中含有此类官能团，这表明吸收峰与番茄中这些物质的含量具有相关性。结果表明，番茄品质变化与近红外光谱上反映的信息具有一定的规律性趋势变化。

图5 原始光谱

2.2 样品集的划分

采用SPXY随机方法进行样品集划分，分别以果肉平均硬度、果皮破裂力、果皮脆度和果皮韧性为y变量，光谱值为x变量，以3∶1的比例将68个番茄样本划分为51个校正集和17个预测集。

样品集的划分见表1。

2.3 光谱预处理

表1 样品集的划分

从原始光谱数据可得出，可见光区域（350～780 nm）存在散射现象，明显的特征峰值都在近红外光谱区域，因此在建模分析时，选取近红外区域（780～2 500 nm）进行建模预测。以果肉平均硬度为例，分别采用基线校正、一阶导数、二阶导数、多元散射校正、变量标准化、正交信号校正对原始光谱进行光谱预处理，然后利用原始光谱以及经预处理后的光谱分别进行偏最小二乘回归定量分析模型建立。

光谱预处理方法选择见表2。

表2 光谱预处理方法选择

二阶导数、变量标准化及正交信号校正建模出现过拟合现象，校正集相关系数达到0.9以上，而预测集相关系数仅为0.1，在表中没有显示。由表2可知，基线校正的结果比其他经光谱预处理方法的建模效果要好，为此采用基线校正光谱进行果肉平均硬度的模型预测。

基线校正后光谱见图6。

由图6可知，经基线校正后的光谱，消除了基线偏移的现象，能更好地反映番茄的特征信息。

果皮破裂力、果皮脆度、果皮韧性均采用相同的方法进行光谱预处理方法的选择，结果表明采用原始光谱建模效果最佳。

图6 基线校正后光谱

2.4 波段选择及果肉平均硬度PLSR建模分析

从2.3中可知，果肉平均硬度采用基线校正后的光谱建模效果好，其中980 nm位于短波光谱区域（780～1 100 nm）内，1 203，1 450，1 780，1 931 nm位于长波光谱区域（1 100～2 500 nm）内。应实际情况需求，对建模的光谱区域进行优选，光谱区域为近红外波段（780～2 500 nm）、近红外长波波段（1 100～2 500 nm）、去780～920 nm波段（920～2 500 nm，因780～920 nm波段无明显的特征信息），采用杠杆率校正结合偏最小二乘回归定量分析模型建模分析。

果肉平均硬度建模分析结果见表3。

建模效果的好坏不仅要与相关系数有关，而且校正标准差与预测标准差的差值要小。由表3可知，1 100～2 500 nm和920～2 500 nm波段选择建模相关系数和校正标准差都比较好，预测效果也很好；与780～2 500 nm波段预测相比，虽然780～2 500 nm波段建模效果不是很好，但校正集与预测集标准差仅相差0.030，效果最好。因此，本试验选择780～2 500 nm波段进行模型的建立。校正集相关系数为0.865，预测集相关系数为0.761。

表3 果肉平均硬度建模分析结果

2.5 果皮质地建模分析

采用原始光谱，杠杆率校正结合偏最小二乘回归定量分析对果皮破裂力、果皮脆度、果皮韧性进行建模分析。

果皮破裂力建模分析结果见表4，果皮脆度建模分析结果见表5，果皮韧性建模分析结果见表6。

由表4～表6可知，1 100～2 500 nm和920～2 500 nm波段校正集建模相关系数和校正标准差都比较好，预测效果也很好；与780～2 500 nm波段预测相比，虽然780～2 500 nm波段建模效果稍微差些，但预测集相关系数达到0.760以上，果皮破裂力校正集与预测集标准相差0.054，果皮脆度校正集与预测集标准差相差0.061，果皮韧性校正集与预测集标准差相差0.005，效果最好。因此，试验选择780～2 500 nm波段进行模型的建立。

表4 果皮破裂力建模分析结果

表5 果皮脆度建模分析结果

表6 果皮韧性建模分析结果

3 结论

建立基于近红外光谱的冷藏期番茄果实质地定量分析模型。采用SPXY随机方法对样品集进行划分，选择最佳的光谱预处理方法和选择最优的建模分析波段范围，结果表明，果肉平均硬度采用基线校正光谱，果皮破裂力、果皮脆度、果皮韧性采用原始光谱建模效果最好；最优的建模波段范围为780～2 500 nm。采用杠杆率校正结合偏最小二乘回归对果实质地建立定量分析模型，得出果肉平均硬度预测相关系数为0.761，校正集与预测集标准差相差0.030；果皮破裂力预测相关系数为0.809，校正集与预测集标准差相差0.054；果皮脆度预测相关系数为0.803，校正集与预测集标准差相差0.061；果皮韧性预测相关系数为0.764，校正集与预测集标准差相差0.005；预测集相关系数均达到0.760以上，模型效果比较好。结果显示，番茄果实质地的近红外光谱无损检测是可行的。

[1]钟莉.番茄食用价值及高产高效栽培技术 [J].现代农村科技，2011（17）：20.

[2]王姗姗.番茄的药用价值 [J].山西医药杂志，2011，40（11）：1 104-1 106.

[3]魏宝东，姜炳义，冯辉.番茄果实货架期硬度变化及其影响因素的研究 [J].食品科学，2005，26（3）：249-252.

[4]王瑞庆，徐新明，冯建华，等.果实品质无损伤检测研究进展 [J].果树学报，2012，29（4）：683-689.

[5]Xiaoxiao D，Ying G，Yongnian N，et al.A novel NIR spectroscopic method for rapid analyses of lycopene，total acid，sugar，phenols and antioxidant activity in dehydrated tomato samples[J].VibrationalSpectroscopy，2016，82（1）：1-9.

[6]Irina T，Dolores P M，María-José D H，et al.Fast and accurate quality assessment of Raf tomatoes using NIRS technology[J].Postharvest Biology and Technology，2015，107（9）：9-15.

[7]Martin E，Paulina B，Lydie T，et al.Rapid phenotyping of the tomato fruit model，Micro-Tom，with a portable VIS-NIR spectrometer[J].Plant Physiology and Biochemistry，2013，70（9）：159-163.

[8]潘冰燕，鲁晓翔，张鹏，等.近红外光谱对甜椒果实质地的无损检测 [J].食品与发酵工业，2015（11）：143-147.

[9]罗枫，鲁晓翔，张鹏，等.近红外漫反射技术检测甜樱桃果实质地研究 [J].食品工业科技，2015，36（15）：293-297.

[10]王丹，鲁晓翔，张鹏，等.近红外无损检测甜柿果实质地和品质 [J].食品工业科技，2013，34（24）：53-56.

[11]介邓飞，陈猛，谢丽娟，等.适宜西瓜检测部位提高近红外光谱糖度预测模型精度 [J].农业工程学报，2014，30（9）：229-234.

[12]钱曼，黄文倩，王庆艳，等.西瓜检测部位差异对近红外光谱可溶性固形物预测模型的影响 [J].光谱学与光谱分析，2016，36（6）：1 700-1 705.

The Quantitative Analysis Model of Fruit Texture of Tomato in Cold Storage Period Based on Near Infrared Spectroscopy

WANG Shifang，*SONG Haiyan，ZHANG Zhiyong，HAN Xiaoping
（College of Engineering，Shanxi Agricultural University，Taigu，Shanxi 030801，China）

Establish the quantitative analysis model of fruit texture of tomato in cold storage period base on near infrared spectroscopy.Divide the set of samples with SPXY and select the best spectral pretreatment methods.In order to derive the optimal model，we selecte the best spectral band（780～2 500，920～2 500，1 100～2 500 nm）and established partial least squares regression（PLSR）model which judged from the correlation coefficient and the root mean standard error of prediction（RMSEP） .The results are that the prediction effect of 780～2 500 nm band is best.The prediction correlation coefficient of the flesh average hardness is 0.761，RMSEP is 0.173；the prediction correlation coefficient of pericarp breaking force is 0.809，RMSEP is 0.820；the prediction correlation coefficient of pericarp brittleness is 0.803，RMSEP is 0.831；the prediction correlation coefficient of pericarp toughness is 0.764，RMSEP is 0.427.It can found that the prediction correlation coefficient reached above 0.760，RMSEP is less than 0.850.The model effect is better.The result showed that near infrared spectroscopy nondestructive testing was feasible，and the fruit texture was significantly correlated with the near infrared diffuse reflectance spectra.

tomato；fruit texture；near infrared spectroscopy；quantitative analysis model

X836；O657.33

A

10.16693/j.cnki.1671-9646（X）.2017.02.005

1671-9646（2017）02a-0016-04

2016-11-23

国家自然科学基金（41201294）。

王世芳（1989— ），女，硕士，研究方向为光谱快速检测技术。

*通讯作者：宋海燕（1977— ），女，博士，教授，研究方向为信息采集与检测。